CN111429301B - 一种容量配置和运行策略的协同优化处理方法和装置 - Google Patents
一种容量配置和运行策略的协同优化处理方法和装置 Download PDFInfo
- Publication number
- CN111429301B CN111429301B CN202010224235.4A CN202010224235A CN111429301B CN 111429301 B CN111429301 B CN 111429301B CN 202010224235 A CN202010224235 A CN 202010224235A CN 111429301 B CN111429301 B CN 111429301B
- Authority
- CN
- China
- Prior art keywords
- time
- load
- capacity
- energy
- optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 116
- 238000013486 operation strategy Methods 0.000 title claims abstract description 78
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000001816 cooling Methods 0.000 claims abstract description 45
- 238000010438 heat treatment Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 64
- 230000005611 electricity Effects 0.000 claims description 42
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 38
- 239000007789 gas Substances 0.000 claims description 33
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 32
- 239000001569 carbon dioxide Substances 0.000 claims description 32
- 239000002918 waste heat Substances 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 23
- 238000005265 energy consumption Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000010521 absorption reaction Methods 0.000 claims description 19
- 239000003345 natural gas Substances 0.000 claims description 19
- 238000010248 power generation Methods 0.000 claims description 18
- AMXOYNBUYSYVKV-UHFFFAOYSA-M lithium bromide Chemical compound [Li+].[Br-] AMXOYNBUYSYVKV-UHFFFAOYSA-M 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 13
- 229910052799 carbon Inorganic materials 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 238000004134 energy conservation Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 11
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 7
- 239000003546 flue gas Substances 0.000 claims description 7
- 238000005057 refrigeration Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000000470 constituent Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 43
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000020169 heat generation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本申请公开了一种容量配置和运行策略的协同优化处理方法和装置，该方法和装置应用于冷热电联供系统，具体为分析全年各阶段的典型日的逐时负荷；确定各能源设备的初始容量值；以综合性能值最大为目标函数建立多目标优化函数；确定运行策略优化约束条件，采用遗传算法对全年各阶段的典型日的逐时运行策略进行优化运算；对各能源设备的容量进行更新，基于更新后的容量再次对逐时运行策略进行优化运算；判断多目标优化函数是否取得最大值，如果取得最大值，则将优化后的容量和逐时运行策略输出为最优结果。通过该最优结果可以使该冷热电联供系统能够更好地满足用户的需求。
Description
技术领域
本申请涉及能源技术领域，更具体地说，涉及一种容量配置和运行策略的协同优化处理方法和装置。
背景技术
冷热电联供系统是一种基于能源梯级利用的概念，集发电、制冷、供热于一体的供能系统，具有提高能源综合利用率、节约一次能源消耗、减少空气污染物排放的特点。随着我国经济快速发展，能源需求剧增与化石能源缺乏的矛盾日益突出，冷热电联供系统受到广泛重视。
由于冷热电联供系统配置复杂，设备种类繁多，设备参数和运行方式变化易引起系统性能变化，系统的容量配置和运行策略已成为优化的两个主要方面。目前，对冷热电联供系统的研究主要涉及系统的容量配置或运行策略的单方面优化，忽视了系统最优配置与最优策略是相辅相成的，只进行结构配置的优化、或只考虑运行模式的优化都有其局限性，只有实现两者的协同优化，才能使系统的综合性能达到最优。同时，在运行策略优化方面，由于电、热、冷、蒸汽负荷随时间不断变化且变化不具有同步性，冷热电联供系统不宜处于传统“以电定热”或“以热定电”的单一模式下运行，各设备出力应根据需求不断调整，寻找与用户需求匹配最好的容量配置和运行策略对冷热电联供系统尤为重要。
发明内容
有鉴于此，本申请提供一种容量配置和运行策略的协同优化处理方法和装置，用于寻找与用户需求匹配最好的容量配置和运行策略，以使冷热电联供系统能够更好的满足用户需求。
为了实现上述目的，现提出的方案如下：
一种容量配置和运行策略的协同优化处理方法，应用于冷热电联供系统，所述综合优化处理方法包括步骤：
基于地理气象历史数据，综合能源构成因素、耗能结构因素和能源价格因素中的部分或全部因素，分析全年各阶段的典型日的逐时负荷；
根据所述逐时负荷中的负荷峰值、所述冷热电联供系统中各能源设备间的耦合关系以及与用户端的能源供需关系确定各所述能源设备的初始容量值；
结合所述冷热电联供系统相对于传统分供系统分别在运行成本、一次能源消耗量和二氧化碳排放量的节约率并采用加权方法计算综合性能值，并以所述综合性能值最大为目标函数建立多目标优化函数；
确定运行策略优化约束条件，结合所述逐时负荷和所述能源价格因素，采用遗传算法对所述全年各阶段的典型日的逐时运行策略进行优化运算；
对各所述能源设备的容量进行更新，基于更新后的容量再次进行对所述逐时运行策略进行优化运算；
基于优化后的所述逐时运行策略判断所述多目标优化函数是否取得最大值，如果没有取得最大值，则继续执行所述对各所述能源设备的容量进行更新，基于更新后的容量再次进行对所述逐时运行策略进行优化运算步骤；
如果取得最大值，则将优化后的所述容量和所述逐时运行策略输出为最优结果。
可选的，所述能源设备分别为燃气轮机、余热锅炉、吸收式制冷机组和辅助锅炉，所述根据所述逐时负荷中的负荷峰值、所述冷热电联供系统中各能源设备间的耦合关系以及与用户端的能源供需关系确定各所述能源设备的初始容量值，包括：
根据电负荷峰值计算所述燃气轮机初始容量值；
根据所述燃气轮机排出的高温烟气产生的余热计算所述余热锅炉的初始容量值；
根据冷负荷计算所述吸收式制冷机组初始容量值；
根据热负荷和蒸汽负荷的短缺部分计算所述辅助锅炉的初始容量值。
可选的，所述综合性能值CPC为：
式中：CSR为年总成本节约率，PESR为年一次能源节约率，CDER为二氧化碳减排率，ω为权重因子；
年成本节约率CSR为：
式中，ATCSP为分供系统的年总成本，ATCCCHP为冷热电联供系统的年总成本；
ATC＝ACC+AMC+AOC
式中：ACC为年初投资成本，AMC为年维护成本，ACC为年运行成本；
式中：Nk和Ck分别为第k种设备的容量和单位容量造价；R为投资回收系数；i为年利率；n为设备寿命；
式中：Mk为第k种设备的单位容量维护成本；
年运行成本AOC为一年系统消耗天然气和购买电量的总成本，表示为：
式中：s表示三个季节：夏季、冬季和过渡季；t为一天的小时数；Ts为所在第s个季节的天数；Ce,t,s和Cf,t,s分别为实时电价和天然气价；
一次能源节约率PESR表示为：
式中：PEC为一次能源消耗量；F为一次能源消耗量，Egrid为向电网购电量，ηtr和ηgrid分别为电网传输效率和电厂的产电效率；
二氧化碳减排率CDER表示为：
CDE＝Egridμe+Fμf
式中：CDE为二氧化碳排放量；μe和μf分别为产1kWh电量和消耗1kWh天然气的二氧化碳排放量。
可选的，所述运行策略优化约束条件为冷热电负荷平衡约束，具体内容如下：
Egt+Egrid≥Eload
式中：Egt为燃气轮机实际发电量，Egrid为从电网购入的电量，Eload为电负荷，Qr为余热锅炉产生的热量，Qb为辅助锅炉产生的热量，Qst,Qh,Qc分别为用户所需的蒸汽负荷、热负荷和冷负荷，ηh为热交换器的效率，COPab为溴化锂吸收式制冷机组的能效比。
可选的，所述确定运行策略优化约束条件，结合所述逐时负荷和所述能源价格因素，采用遗传算法对所述全年各阶段的典型日的逐时运行策略进行优化运算，包括：
随机选择一组初始个体作为初始种群P(0)；
以包括经济性、节能性和环保性在内的综合性能值最大作为适应度函数，计算种群P(t)中各个个体的适应度；
选取交换后的群体中适应度较高的个体作为下一代进行繁殖；
对群体P(t)进行一轮复制、交叉、变异运算之后可以得到新一代的群体P(t+1)；
判定是否满足优化准则，若符合，输出最佳个体及其最优解，否则执行所述以包括经济性、节能性和环保性在内的综合性能值最大作为适应度函数，计算种群P(t)中各个个体的适应度步骤，所述最优解包括所述燃气轮机的产电量Egt、向电网购电量Egrid、所述余热锅炉产的热量Qr、所述辅助锅炉补燃产生的热量Qb。
一种容量配置和运行策略的协同优化处理装置，应用于冷热电联供系统，所述综合优化处理装置包括：
负荷分析模块，用于基于地理气象历史数据，综合能源构成因素、耗能结构因素和能源价格因素中的部分或全部因素，分析全年各阶段的典型日的逐时负荷；
容量计算模块，用于根据所述逐时负荷中的负荷峰值、所述冷热电联供系统中各能源设备间的耦合关系以及与用户端的能源供需关系确定各所述能源设备的初始容量值；
函数构建模块，用于结合所述冷热电联供系统相对于传统分供系统分别在运行成本、一次能源消耗量和二氧化碳排放量的节约率并采用加权方法计算综合性能值，并以所述综合性能值最大为目标函数建立多目标优化函数；
优化运算模块，用于确定运行策略优化约束条件，结合所述逐时负荷和所述能源价格因素，采用遗传算法对所述全年各阶段的典型日的逐时运行策略进行优化运算；
容量更新模块，用于对各所述能源设备的容量进行更新，基于更新后的容量再次进行对所述逐时运行策略进行优化运算；
目标判断模块，用于基于优化后的所述逐时运行策略判断所述多目标优化函数是否取得最大值，如果没有取得最大值，则继续执行所述对各所述能源设备的容量进行更新，基于更新后的容量再次进行对所述逐时运行策略进行优化运算步骤；
结果输出模块，用于如果取得最大值，则将优化后的所述容量和所述逐时运行策略输出为最优结果。
可选的，所述能源设备分别为燃气轮机、余热锅炉、吸收式制冷机组和辅助锅炉，所述容量计算模块包括：
第一计算单元，用于根据电负荷峰值计算所述燃气轮机初始容量值；
第二计算单元，用于根据所述燃气轮机排出的高温烟气产生的余热计算所述余热锅炉的初始容量值；
第三计算单元，用于根据冷负荷计算所述吸收式制冷机组初始容量值；
第四计算单元，用于根据热负荷和蒸汽负荷的短缺部分计算所述辅助锅炉的初始容量值。
可选的，所述综合性能值CPC为：
式中：CSR为年总成本节约率，PESR为年一次能源节约率，CDER为二氧化碳减排率，ω为权重因子；
年成本节约率CSR为：
式中，ATCSP为分供系统的年总成本，ATCCCHP为冷热电联供系统的年总成本；
ATC＝ACC+AMC+AOC
式中：ACC为年初投资成本，AMC为年维护成本，ACC为年运行成本；
式中：Nk和Ck分别为第k种设备的容量和单位容量造价；R为投资回收系数；i为年利率；n为设备寿命；
式中：Mk为第k种设备的单位容量维护成本；
年运行成本AOC为一年系统消耗天然气和购买电量的总成本，表示为：
式中：s表示三个季节：夏季、冬季和过渡季；t为一天的小时数；Ts为所在第s个季节的天数；Ce,t,s和Cf,t,s分别为实时电价和天然气价；
一次能源节约率PESR表示为：
式中：PEC为一次能源消耗量；F为一次能源消耗量，Egrid为向电网购电量，ηtr和ηgrid分别为电网传输效率和电厂的产电效率；
二氧化碳减排率CDER表示为：
CDE＝Egridμe+Fμf
式中：CDE为二氧化碳排放量；μe和μf分别为产1kWh电量和消耗1kWh天然气的二氧化碳排放量。
可选的，所述运行策略优化约束条件为冷热电负荷平衡约束，具体内容如下：
Egt+Egrid≥Eload
式中：Egt为燃气轮机实际发电量，Egrid为从电网购入的电量，Eload为电负荷，Qr为余热锅炉产生的热量，Qb为辅助锅炉产生的热量，Qst,Qh,Qc分别为用户所需的蒸汽负荷、热负荷和冷负荷，ηh为热交换器的效率，COPab为溴化锂吸收式制冷机组的能效比。
可选的，所述优化运算模块包括：
第一选取单元，用于随机选择一组初始个体作为初始种群P(0)；
适应度计算单元，用于以包括经济性、节能性和环保性在内的综合性能值最大作为适应度函数，计算种群P(t)中各个个体的适应度；
第二选取单元，用于选取交换后的群体中适应度较高的个体作为下一代进行繁殖；
群体处理单元，用于对群体P(t)进行一轮复制、交叉、变异运算之后可以得到新一代的群体P(t+1)；
结果输出单元，用于判定是否满足优化准则，若符合，输出最佳个体及其最优解，否则执行所述以包括经济性、节能性和环保性在内的综合性能值最大作为适应度函数，计算种群P(t)中各个个体的适应度步骤，所述最优解包括所述燃气轮机的产电量Egt、向电网购电量Egrid、所述余热锅炉产的热量Qr、所述辅助锅炉补燃产生的热量Qb。
从上述的技术方案可以看出，本申请公开了一种容量配置和运行策略的协同优化处理方法和装置，该方法和装置应用于冷热电联供系统，具体为分析全年各阶段的典型日的逐时负荷；确定各能源设备的初始容量值；以综合性能值最大为目标函数建立多目标优化函数；确定运行策略优化约束条件，采用遗传算法对全年各阶段的典型日的逐时运行策略进行优化运算；对各能源设备的容量进行更新，基于更新后的容量再次对逐时运行策略进行优化运算；判断多目标优化函数是否取得最大值，如果取得最大值，则将优化后的容量和逐时运行策略输出为最优结果。通过该最优结果可以使该冷热电联供系统能够更好地满足用户的需求。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种容量配置和运行策略的协同优化处理方法的流程图；
图2a为本申请实施例的夏季的电、冷、热和蒸汽的负荷图；
图2b为本申请实施例的冬季的电、冷、热和蒸汽的负荷图；
图2c为本申请实施例的过渡季的电、冷、热和蒸汽的负荷图；
图3为本申请实施例的冷热电联供系统的流程图；
图4a为本申请实施例的夏季的逐时最优运行策略；
图4b为本申请实施例的夏季的逐时最优运行策略；
图4c为本申请实施例的夏季的逐时最优运行策略；
图5为本申请实施例的一种容量配置和运行策略的协同优化处理装置的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
图1为本申请实施例的一种容量配置和运行策略的协同优化处理方法的流程图。
如图1所示，本实施例的协同优化处理方法应用于冷热电联供系统，具体包括如下步骤：
S1、分析全年各阶段的典型日的逐时负荷。
各阶段包括夏季、冬季以及两个季节之间的国度季，具体来说，是基于地理气象历史数据，并综合当地的能源构成因素、耗能结构因素和能源价格因素中的部分或全部因素，分析全年各阶段、如夏季、冬季和过渡季的典型日的逐时负荷。
S2、计算各能源设备的初始容量值。
即计算该冷热电联供系统的中各能源设备的初始容量值，能源设备分别包括燃气轮机、余热锅炉、吸收式制冷机组和辅助锅炉，在具体计算初始容量值时，分别为：
根据电负荷峰值计算燃气轮机初始容量值；根据燃气轮机排出的高温烟气产生的余热计算余热锅炉的初始容量值；根据冷负荷计算吸收式制冷机组初始容量值；根据热负荷和蒸汽负荷的短缺部分计算辅助锅炉的初始容量值。
S3、以综合性能值最大为目标函数构建多目标优化函数。
结合所述冷热电联供系统相对于传统分供系统分别在运行成本、一次能源消耗量和二氧化碳排放量的节约率并采用加权方法计算综合性能值，并以综合性能值最大为目标函数建立多目标优化函数。
该综合性能值CPC为：
式中：CSR为年总成本节约率，PESR为年一次能源节约率，CDER为二氧化碳减排率，ω为权重因子。
年成本节约率CSR为：
式中，ATCSP为分供系统的年总成本，ATCCCHP为冷热电联供系统的年总成本。
ATC＝ACC+AMC+AOC
式中：ACC为年初投资成本，AMC为年维护成本，ACC为年运行成本。
式中：Nk和Ck分别为第k种设备的容量和单位容量造价；R为投资回收系数；i为年利率；n为设备寿命。
式中：Mk为第k种设备的单位容量维护成本。
年运行成本AOC为一年系统消耗天然气和购买电量的总成本，表示为：
式中：s表示三个季节：夏季、冬季和过渡季；t为一天的小时数；Ts为所在第s个季节的天数；Ce,t,s和Cf,t,s分别为实时电价和天然气价。
一次能源节约率PESR表示为：
式中：PEC为一次能源消耗量；F为一次能源消耗量，Egrid为向电网购电量，ηtr和ηgrid分别为电网传输效率和电厂的产电效率。
二氧化碳减排率CDER表示为：
CDE＝Egridμe+Fμf
式中：CDE为二氧化碳排放量；μe和μf分别为产1kWh电量和消耗1kWh天然气的二氧化碳排放量。
S4、根据运行策略优化约束条件进行优化计算。
具体来说，首先确定运行策略优化约束条件，结合逐时负荷和能源价格因素，采用遗传算法对全年各阶段的典型日的逐时运行策略进行优化运算。
所述运行策略优化约束条件为冷热电负荷平衡约束，具体内容如下：
Egt+Egrid≥Eload
式中：Egt为燃气轮机实际发电量，Egrid为从电网购入的电量，Eload为电负荷，Qr为余热锅炉产生的热量，Qb为辅助锅炉产生的热量，Qst,Qh,Qc分别为用户所需的蒸汽负荷、热负荷和冷负荷，ηh为热交换器的效率，COPab为溴化锂吸收式制冷机组的能效比。
优化运算表现为搜索各能源设备在当前容量下的最优逐时出力：燃气轮机产电量Egt、向电网购电量Egrid、余热锅炉产热量Qr、辅助锅炉补燃产生的热量Qb。
采用遗传算法对夏季、冬季和过渡季的典型日的逐时运行策略进行优化的方法具体包括：
步骤4.1：随机选择一组初始个体作为初始种群P(0)；
步骤4.2：以包括经济性、节能性和环保性在内的综合性能值最大作为适应度函数，计算种群P(t)中各个个体的适应度；
步骤4.3：选取交换后的群体中适应度较高的个体作为下一代进行繁殖；
步骤4.4：对群体P(t)进行一轮复制、交叉、变异运算之后可以得到新一代的群体P(t+1)；
步骤4.5：判定是否满足优化准则，若符合，输出最佳个体及其最优解，否则返回步骤4.2。这里的最优解包括各能源设备在当前容量下的最优逐时出力。
S5、进行容量更新，并在此进行优化运算。
即对各能源设备的容量进行更新，基于更新后的容量再次进行对逐时运行策略进行优化运算。
S6、判断多目标优化函数是否取得最大值。
判断优化后的逐时运行策略判断多目标优化函数是否取得最大值，如果没有取得最大值，则返回步骤S5。
S7、输出最优结果。
如果该优化后的逐时运行策略判定多目标优化函数取得最大值，则将优化后的容量和逐时运行策略作为最优结果输出，以使冷热电联供系统根据该最优结果运行。
从上述技术方案可以看出，本实施例提供了一种容量配置和运行策略的协同优化处理方法，该方法应用于冷热电联供系统，具体为分析全年各阶段的典型日的逐时负荷；确定各能源设备的初始容量值；以综合性能值最大为目标函数建立多目标优化函数；确定运行策略优化约束条件，采用遗传算法对全年各阶段的典型日的逐时运行策略进行优化运算；对各能源设备的容量进行更新，基于更新后的容量再次对逐时运行策略进行优化运算；判断多目标优化函数是否取得最大值，如果取得最大值，则将优化后的容量和逐时运行策略输出为最优结果。通过该最优结果可以使该冷热电联供系统能够更好地满足用户的需求。
以我国山西省某工业园区为对象，园区现有8家工厂，总建筑面积212300m2。由于负荷需求随气候变化而变化，根据当地气温，一年分为三个季节：夏季(153天)、冬季(90天)和过渡季(122天)。电、冷、热、蒸汽负荷在夏季、冬季和过渡季的具体情况分别如图2a、图2b和图2c所示。
冷热电联供系统流程如图3所示，燃气轮机产生的电量用于提供园区电负荷，当燃气轮机发电量不能满足电力需求时，电力短缺部分由外部电网购入。燃气轮机产生的高温烟气由余热锅炉回收利用，产生蒸汽应用于以下方面：(1)直接应用于园区工厂的生产；(2)通过热交换器提供热负荷；(3)通过溴化锂吸收式制冷机提供冷负荷。当回收的热量不能满足要求时，辅助锅炉工作产生额外的蒸汽。
该园区的系统特性参数如表1所示。设备投资成本、维护成本、电价、天然气价格如表2-3所示。
表1系统特性参数
表2设备投资及维护成本
表3山西能源价格
将各参数带入优化模型中，所得各设备最优容量如表4所示，夏季、冬季及过渡季典型日的逐时最优运行策略如图4a、图4b和图4c所示。通过分配不同权重，分别以年总成本、年一次能源消耗量、年二氧化碳排放量最低为目标的单目标优化结果如表5所示。
表4配置优化结果
表5系统评价指标对比
从表5中可以看出，于联供系统设备繁多，其年投资成本和维护成本比分供系统分别高438.85％和1690.03％，而联供系统由于能源利用率高的特点，年运行成本节省24.43％。与分供系统相比，优化后的冷热电联供系统在经济性、节能性和环保性具有明显的优势，节约年总成本17.37％，减少一次能源消耗33.72％，降低CO2排放50.96％。结果表明，本发明提出的系统配置和运行策略协同优化方法能够有效降低系统年总成本，减少一次能源消耗和二氧化碳排放。同时，在夏季和冬季/过渡季节，冷热电联供系统的日运行时间分别达到全天的71％和75％，反映了优化后的联供系统在实际应用中的运行可靠性。
实施例二
图5为本申请实施例的一种容量配置和运行策略的协同优化处理装置的框图。
如图5所示，本实施例的协同优化处理装置应用于冷热电联供系统，具体包括负荷分析模块10、容量计算模块20、函数构建模块30、优化运算模块40、容量更新模块50、目标判断模块60和结果输出模块70。
负荷分析模块用于分析全年各阶段的典型日的逐时负荷。
各阶段包括夏季、冬季以及两个季节之间的国度季，具体来说，是基于地理气象历史数据，并综合当地的能源构成因素、耗能结构因素和能源价格因素中的部分或全部因素，分析全年各阶段、如夏季、冬季和过渡季的典型日的逐时负荷。
容量计算模块用于计算各能源设备的初始容量值。
即计算该冷热电联供系统的中各能源设备的初始容量值，能源设备分别包括燃气轮机、余热锅炉、吸收式制冷机组和辅助锅炉。该模块包括第一计算单元、第二计算单元、第三计算单元和第四计算单元。
第一计算单元用于根据电负荷峰值计算燃气轮机初始容量值；第二计算单元用于根据燃气轮机排出的高温烟气产生的余热计算余热锅炉的初始容量值；第三计算单元用于根据冷负荷计算吸收式制冷机组初始容量值；第四计算单元用于根据热负荷和蒸汽负荷的短缺部分计算辅助锅炉的初始容量值。
函数构建模块用于以综合性能值最大为目标函数构建多目标优化函数。
结合所述冷热电联供系统相对于传统分供系统分别在运行成本、一次能源消耗量和二氧化碳排放量的节约率并采用加权方法计算综合性能值，并以综合性能值最大为目标函数建立多目标优化函数。
该综合性能值CPC为：
式中：CSR为年总成本节约率，PESR为年一次能源节约率，CDER为二氧化碳减排率，ω为权重因子。
年成本节约率CSR为：
式中，ATCSP为分供系统的年总成本，ATCCCHP为冷热电联供系统的年总成本。
ATC＝ACC+AMC+AOC
式中：ACC为年初投资成本，AMC为年维护成本，ACC为年运行成本。
式中：Nk和Ck分别为第k种设备的容量和单位容量造价；R为投资回收系数；i为年利率；n为设备寿命。
式中：Mk为第k种设备的单位容量维护成本。
年运行成本AOC为一年系统消耗天然气和购买电量的总成本，表示为：
式中：s表示三个季节：夏季、冬季和过渡季；t为一天的小时数；Ts为所在第s个季节的天数；Ce,t,s和Cf,t,s分别为实时电价和天然气价。
一次能源节约率PESR表示为：
式中：PEC为一次能源消耗量；F为一次能源消耗量，Egrid为向电网购电量，ηtr和ηgrid分别为电网传输效率和电厂的产电效率。
二氧化碳减排率CDER表示为：
CDE＝Egridμe+Fμf
式中：CDE为二氧化碳排放量；μe和μf分别为产1kWh电量和消耗1kWh天然气的二氧化碳排放量。
优化运算模块用于根据运行策略优化约束条件进行优化计算。
具体来说，首先确定运行策略优化约束条件，结合逐时负荷和能源价格因素，采用遗传算法对全年各阶段的典型日的逐时运行策略进行优化运算。
所述运行策略优化约束条件为冷热电负荷平衡约束，具体内容如下：
Egt+Egrid≥Eload
式中：Egt为燃气轮机实际发电量，Egrid为从电网购入的电量，Eload为电负荷，Qr为余热锅炉产生的热量，Qb为辅助锅炉产生的热量，Qst,Qh,Qc分别为用户所需的蒸汽负荷、热负荷和冷负荷，ηh为热交换器的效率，COPab为溴化锂吸收式制冷机组的能效比。
优化运算表现为搜索各能源设备在当前容量下的最优逐时出力：燃气轮机产电量Egt、向电网购电量Egrid、余热锅炉产热量Qr、辅助锅炉补燃产生的热量Qb。
该模块包括第一选取单元、适应度计算单元、第二选取单元、群体处理单元和结果输出单元。
第一选取单元用于随机选择一组初始个体作为初始种群P(0)；
适应度计算单元用于以包括经济性、节能性和环保性在内的综合性能值最大作为适应度函数，计算种群P(t)中各个个体的适应度；
第二选取单元用于选取交换后的群体中适应度较高的个体作为下一代进行繁殖；
群体处理单元用于对群体P(t)进行一轮复制、交叉、变异运算之后可以得到新一代的群体P(t+1)；
结果输出单元用于判定是否满足优化准则，若符合，输出最佳个体及其最优解，否则控制适应度计算单元再次计算适应度。这里的最优解包括各能源设备在当前容量下的最优逐时出力。
容量更新模块用于进行容量更新，并在此进行优化运算。
即对各能源设备的容量进行更新，基于更新后的容量再次进行对逐时运行策略进行优化运算。
目标判断模块用于判断多目标优化函数是否取得最大值。
判断优化后的逐时运行策略判断多目标优化函数是否取得最大值，如果没有取得最大值，则控制容量更新模块对能源设备的容量再次更新，并再次基于更新后的容量进行优化运算。
结果输出模块用于输出最优结果。
如果该优化后的逐时运行策略判定多目标优化函数取得最大值，则将优化后的容量和逐时运行策略作为最优结果输出，以使冷热电联供系统根据该最优结果运行。
从上述技术方案可以看出，本实施例提供了一种容量配置和运行策略的协同优化处理装置，该装置应用于冷热电联供系统，具体用于分析全年各阶段的典型日的逐时负荷；确定各能源设备的初始容量值；以综合性能值最大为目标函数建立多目标优化函数；确定运行策略优化约束条件，采用遗传算法对全年各阶段的典型日的逐时运行策略进行优化运算；对各能源设备的容量进行更新，基于更新后的容量再次对逐时运行策略进行优化运算；判断多目标优化函数是否取得最大值，如果取得最大值，则将优化后的容量和逐时运行策略输出为最优结果。通过该最优结果可以使该冷热电联供系统能够更好地满足用户的需求。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种容量配置和运行策略的协同优化处理方法，应用于冷热电联供系统，其特征在于，所述协同优化处理方法包括步骤：
基于地理气象历史数据，综合能源构成因素、耗能结构因素和能源价格因素中的部分或全部因素，分析全年各阶段的典型日的逐时负荷；
根据所述逐时负荷中的负荷峰值、所述冷热电联供系统中各能源设备间的耦合关系以及与用户端的能源供需关系确定各所述能源设备的初始容量值；
结合所述冷热电联供系统相对于传统分供系统分别在运行成本、一次能源消耗量和二氧化碳排放量的节约率并采用加权方法计算综合性能值，并以所述综合性能值最大为目标函数建立多目标优化函数；
确定运行策略优化约束条件，结合所述逐时负荷和所述能源价格因素，采用遗传算法对所述全年各阶段的典型日的逐时运行策略进行优化运算；
对各所述能源设备的容量进行更新，基于更新后的容量再次进行对所述逐时运行策略进行优化运算；
基于优化后的所述逐时运行策略判断所述多目标优化函数是否取得最大值，如果没有取得最大值，则继续执行所述对各所述能源设备的容量进行更新，基于更新后的容量再次进行对所述逐时运行策略进行优化运算步骤；
如果取得最大值，则将优化后的所述容量和所述逐时运行策略输出为最优结果。
2.如权利要求1所述的协同优化处理方法，其特征在于，所述能源设备分别为燃气轮机、余热锅炉、吸收式制冷机组和辅助锅炉，所述根据所述逐时负荷中的负荷峰值、所述冷热电联供系统中各能源设备间的耦合关系以及与用户端的能源供需关系确定各所述能源设备的初始容量值，包括：
根据电负荷峰值计算所述燃气轮机初始容量值；
根据所述燃气轮机排出的高温烟气产生的余热计算所述余热锅炉的初始容量值；
根据冷负荷计算所述吸收式制冷机组初始容量值；
根据热负荷和蒸汽负荷的短缺部分计算所述辅助锅炉的初始容量值。
3.如权利要求1所述的协同优化处理方法，其特征在于，所述综合性能值CPC为：
式中：CSR为年总成本节约率，PESR为年一次能源节约率，CDER为二氧化碳减排率，ω为权重因子；
年总成本节约率CSR为：
式中，ATCSP为分供系统的年总成本，ATCCCHP为冷热电联供系统的年总成本；
ATC＝ACC+AMC+AOC
式中：ACC为年初投资成本，AMC为年维护成本，AOC为年运行成本；
式中：Nk和Ck分别为第k种设备的容量和单位容量造价；R为投资回收系数；i为年利率；n为设备寿命；
式中：Mk为第k种设备的单位容量维护成本；
年运行成本AOC为一年系统消耗天然气和购买电量的总成本，表示为：
式中：s表示三个季节：夏季、冬季和过渡季；t为一天的小时数；Ts为所在第s个季节的天数；Ce,t,s和Cf,t,s分别为实时电价和天然气价；
年一次能源节约率PESR表示为：
式中：PEC为一次能源消耗量；F为一次能源消耗量，Egrid为向电网购电量，ηtr和ηgrid分别为电网传输效率和电厂的产电效率；
二氧化碳减排率CDER表示为：
CDE＝Egridμe+Fμf
式中：CDE为二氧化碳排放量；μe和μf分别为产1kWh电量和消耗1kWh天然气的二氧化碳排放量。
4.如权利要求1所述的协同优化处理方法，其特征在于，所述运行策略优化约束条件为冷热电负荷平衡约束，具体内容如下：
Egt+Egrid≥Eload
式中：Egt为燃气轮机实际发电量，Egrid为从电网购入的电量，Eload为电负荷，Qr为余热锅炉产生的热量，Qb为辅助锅炉产生的热量，Qst,Qh,Qc分别为用户所需的蒸汽负荷、热负荷和冷负荷，ηh为热交换器的效率，COPab为溴化锂吸收式制冷机组的能效比。
5.如权利要求2所述的协同优化处理方法，其特征在于，所述确定运行策略优化约束条件，结合所述逐时负荷和所述能源价格因素，采用遗传算法对所述全年各阶段的典型日的逐时运行策略进行优化运算，包括：
随机选择一组初始个体作为初始种群P(0)；
以包括经济性、节能性和环保性在内的综合性能值最大作为适应度函数，计算种群P(t)中各个个体的适应度；
选取交换后的群体中适应度较高的个体作为下一代进行繁殖；
对群体P(t)进行一轮复制、交叉、变异运算之后可以得到新一代的群体P(t+1)；
判定是否满足优化准则，若符合，输出最佳个体及其最优解，否则执行所述以包括经济性、节能性和环保性在内的综合性能值最大作为适应度函数，计算种群P(t)中各个个体的适应度步骤，所述最优解包括所述燃气轮机的产电量Egt、向电网购电量Egrid、所述余热锅炉产的热量Qr、所述辅助锅炉补燃产生的热量Qb。
6.一种容量配置和运行策略的协同优化处理装置，应用于冷热电联供系统，其特征在于，所述协同优化处理装置包括：
负荷分析模块，用于基于地理气象历史数据，综合能源构成因素、耗能结构因素和能源价格因素中的部分或全部因素，分析全年各阶段的典型日的逐时负荷；
容量计算模块，用于根据所述逐时负荷中的负荷峰值、所述冷热电联供系统中各能源设备间的耦合关系以及与用户端的能源供需关系确定各所述能源设备的初始容量值；
函数构建模块，用于结合所述冷热电联供系统相对于传统分供系统分别在运行成本、一次能源消耗量和二氧化碳排放量的节约率并采用加权方法计算综合性能值，并以所述综合性能值最大为目标函数建立多目标优化函数；
优化运算模块，用于确定运行策略优化约束条件，结合所述逐时负荷和所述能源价格因素，采用遗传算法对所述全年各阶段的典型日的逐时运行策略进行优化运算；
容量更新模块，用于对各所述能源设备的容量进行更新，基于更新后的容量再次进行对所述逐时运行策略进行优化运算；
目标判断模块，用于基于优化后的所述逐时运行策略判断所述多目标优化函数是否取得最大值，如果没有取得最大值，则继续执行所述对各所述能源设备的容量进行更新，基于更新后的容量再次进行对所述逐时运行策略进行优化运算步骤；
结果输出模块，用于如果取得最大值，则将优化后的所述容量和所述逐时运行策略输出为最优结果。
7.如权利要求6所述的综合优化处理装置，其特征在于，所述能源设备分别为燃气轮机、余热锅炉、吸收式制冷机组和辅助锅炉，所述容量计算模块包括：
第一计算单元，用于根据电负荷峰值计算所述燃气轮机初始容量值；
第二计算单元，用于根据所述燃气轮机排出的高温烟气产生的余热计算所述余热锅炉的初始容量值；
第三计算单元，用于根据冷负荷计算所述吸收式制冷机组初始容量值；
第四计算单元，用于根据热负荷和蒸汽负荷的短缺部分计算所述辅助锅炉的初始容量值。
8.如权利要求6所述的综合优化处理装置，其特征在于，所述综合性能值CPC为：
式中：CSR为年总成本节约率，PESR为年一次能源节约率，CDER为二氧化碳减排率，ω为权重因子；
年总成本节约率CSR为：
式中，ATCSP为分供系统的年总成本，ATCCCHP为冷热电联供系统的年总成本；
ATC＝ACC+AMC+AOC
式中：ACC为年初投资成本，AMC为年维护成本，AOC为年运行成本；
式中：Nk和Ck分别为第k种设备的容量和单位容量造价；R为投资回收系数；i为年利率；n为设备寿命；
式中：Mk为第k种设备的单位容量维护成本；
年运行成本AOC为一年系统消耗天然气和购买电量的总成本，表示为：
式中：s表示三个季节：夏季、冬季和过渡季；t为一天的小时数；Ts为所在第s个季节的天数；Ce,t,s和Cf,t,s分别为实时电价和天然气价；
年一次能源节约率PESR表示为：
式中：PEC为一次能源消耗量；F为一次能源消耗量，Egrid为向电网购电量，ηtr和ηgrid分别为电网传输效率和电厂的产电效率；
二氧化碳减排率CDER表示为：
CDE＝Egridμe+Fμf
式中：CDE为二氧化碳排放量；μe和μf分别为产1kWh电量和消耗1kWh天然气的二氧化碳排放量。
9.如权利要求6所述综合优化处理装置，其特征在于，所述运行策略优化约束条件为冷热电负荷平衡约束，具体内容如下：
Egt+Egrid≥Eload
式中：Egt为燃气轮机实际发电量，Egrid为从电网购入的电量，Eload为电负荷，Qr为余热锅炉产生的热量，Qb为辅助锅炉产生的热量，Qst,Qh,Qc分别为用户所需的蒸汽负荷、热负荷和冷负荷，ηh为热交换器的效率，COPab为溴化锂吸收式制冷机组的能效比。
10.如权利要求7所述的综合优化处理装置，其特征在于，所述优化运算模块包括：
第一选取单元，用于随机选择一组初始个体作为初始种群P(0)；
适应度计算单元，用于以包括经济性、节能性和环保性在内的综合性能值最大作为适应度函数，计算种群P(t)中各个个体的适应度；
第二选取单元，用于选取交换后的群体中适应度较高的个体作为下一代进行繁殖；
群体处理单元，用于对群体P(t)进行一轮复制、交叉、变异运算之后可以得到新一代的群体P(t+1)；
结果输出单元，用于判定是否满足优化准则，若符合，输出最佳个体及其最优解，否则执行所述以包括经济性、节能性和环保性在内的综合性能值最大作为适应度函数，计算种群P(t)中各个个体的适应度步骤，所述最优解包括所述燃气轮机的产电量Egt、向电网购电量Egrid、所述余热锅炉产的热量Qr、所述辅助锅炉补燃产生的热量Qb。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010224235.4A CN111429301B (zh) | 2020-03-26 | 2020-03-26 | 一种容量配置和运行策略的协同优化处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010224235.4A CN111429301B (zh) | 2020-03-26 | 2020-03-26 | 一种容量配置和运行策略的协同优化处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111429301A CN111429301A (zh) | 2020-07-17 |
| CN111429301B true CN111429301B (zh) | 2023-04-28 |
Family
ID=71548828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010224235.4A Active CN111429301B (zh) | 2020-03-26 | 2020-03-26 | 一种容量配置和运行策略的协同优化处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111429301B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113392513B (zh) * | 2021-05-28 | 2022-05-03 | 国网河北省电力有限公司衡水供电分公司 | 冷热电联供系统多目标优化方法、装置及终端 |
| CN113469412B (zh) * | 2021-06-02 | 2024-04-09 | 国核电力规划设计研究院有限公司 | 一种综合能源系统实时运行策略优化方法及系统 |
| CN113393053B (zh) * | 2021-06-30 | 2022-06-17 | 国网浙江省电力有限公司电力科学研究院 | 一种基于原动机的cchp系统的设备选型优化方法 |
| CN117439147B (zh) * | 2023-12-21 | 2024-03-26 | 深圳市健网科技有限公司 | 一种分布式储能系统实时优化方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400042A (zh) * | 2013-08-07 | 2013-11-20 | 东南大学 | 一种冷热电联供型微电网优化配置方法 |
| WO2016061741A1 (en) * | 2014-10-21 | 2016-04-28 | Accenture Global Services Limited | System, method, and apparatus for capacity determination for micro grid, and tangible computer readable medium |
| CN109165788A (zh) * | 2018-09-04 | 2019-01-08 | 河北工业大学 | 一种冷热电联供系统的优化方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9146547B2 (en) * | 2011-07-20 | 2015-09-29 | Nec Laboratories America, Inc. | Optimal energy management of a rural microgrid system using multi-objective optimization |
| CN103065197A (zh) * | 2012-12-12 | 2013-04-24 | 中国能源建设集团广东省电力设计研究院 | 分布式冷热电联供系统的优化配置方法 |
| CN103678948B (zh) * | 2014-01-09 | 2016-10-26 | 电子科技大学 | Cchp系统三联供多目标优化方法 |
| CN106022503A (zh) * | 2016-03-17 | 2016-10-12 | 北京睿新科技有限公司 | 面向具有耦合型电冷热需求的微电网容量规划方法 |
| CN108960556A (zh) * | 2018-03-27 | 2018-12-07 | 国网天津市电力公司滨海供电分公司 | 一种冷热电联供系统多目标优化运行方法 |
| CN108197768B (zh) * | 2018-04-02 | 2021-07-27 | 厦门大学 | 一种能源系统与管网布局联合优化方法 |
| CN108646552B (zh) * | 2018-04-16 | 2020-12-11 | 杭州电子科技大学信息工程学院 | 基于遗传算法的天然气分布式能源机组参数的多目标优化方法 |
| CN110796279A (zh) * | 2018-08-02 | 2020-02-14 | 中国电力科学研究院有限公司 | 一种多能互补优化运行方法与系统 |
| CN109767029A (zh) * | 2018-12-14 | 2019-05-17 | 华北电力大学 | 局域能源互联网中冷热电三联供系统容量配置方法及系统 |
| CN110137953B (zh) * | 2019-05-15 | 2020-12-29 | 国网冀北综合能源服务有限公司 | 基于分布式能源站多能源系统的协同运行优化方法 |
-
2020
- 2020-03-26 CN CN202010224235.4A patent/CN111429301B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400042A (zh) * | 2013-08-07 | 2013-11-20 | 东南大学 | 一种冷热电联供型微电网优化配置方法 |
| WO2016061741A1 (en) * | 2014-10-21 | 2016-04-28 | Accenture Global Services Limited | System, method, and apparatus for capacity determination for micro grid, and tangible computer readable medium |
| CN109165788A (zh) * | 2018-09-04 | 2019-01-08 | 河北工业大学 | 一种冷热电联供系统的优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111429301A (zh) | 2020-07-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111429301B (zh) | 一种容量配置和运行策略的协同优化处理方法和装置 | |
| Wei et al. | Multi-objective optimal operation and energy coupling analysis of combined cooling and heating system | |
| Li et al. | Optimal design and operation strategy for integrated evaluation of CCHP (combined cooling heating and power) system | |
| CN108646552B (zh) | 基于遗传算法的天然气分布式能源机组参数的多目标优化方法 | |
| CN101667013B (zh) | 微型燃气轮机冷电联供分布式供能系统优化运行控制方法 | |
| CN109711080B (zh) | 一种冷热电联供系统多时间尺度优化运行方法 | |
| Wang et al. | Analysis of inlet air throttling operation method for gas turbine in performance of CCHP system under different operation strategies | |
| CN111244939B (zh) | 一种计及需求侧响应的多能互补系统两级优化设计方法 | |
| CN108197768A (zh) | 一种能源系统与管网布局联合优化方法 | |
| CN107358345B (zh) | 计及需求侧管理的分布式冷热电联供系统优化运行方法 | |
| Song et al. | Study on the optimization and sensitivity analysis of CCHP systems for industrial park facilities | |
| CN112149980A (zh) | 区域级综合能源系统能效分析方法及系统 | |
| CN110363353A (zh) | 一种分布式综合能源系统的优化设计和调度方法及系统 | |
| CN110110897A (zh) | 一种考虑不同储能运行策略的综合能源系统优化方法 | |
| CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
| CN113947236B (zh) | 综合能源调度方法、计算设备及介质 | |
| CN113344249B (zh) | 基于区块链的冷热电联供多微网优化调度方法和系统 | |
| CN112131712B (zh) | 客户侧多能源系统多目标优化方法和系统 | |
| CN112348276A (zh) | 基于多要素三层次的综合能源系统规划优化方法 | |
| CN111709638B (zh) | 基于图论和等效电法的冷热电联供系统构建方法及系统 | |
| CN110796279A (zh) | 一种多能互补优化运行方法与系统 | |
| CN116187173A (zh) | 一种区域综合能源系统双层优化方法及系统 | |
| Sun et al. | A BCS-GDE multi-objective optimization algorithm for combined cooling, heating and power model with decision strategies | |
| CN112446552B (zh) | 一种生物质气化冷热电联供系统的多目标优化方法 | |
| CN113496300A (zh) | 一种园区综合能源站规划设计方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |